1.halaman awal fix pak heri - UNAIR REPOSITORY

ADLN - Perpustakaan Universitas Airlangga
6
BAB II
TINJAUAN PUSTAKA
2.1 Gambaran Tentang Mata
Mata merupakan organ tubuh manusia yang paling sensitif apabila terkena
benda asing misal asap dan debu. Debu akan membuat mata kita terasa perih atau
tidak nyaman. Dari benda-benda asing ini pula dapat menyebabkan penyakit mata
pada mata kita salah satunya mata merah. Ada pula penyakit mata yang disebabkan
oleh bakteri atau virus. Suatu virus juga dapat menyebabkan mata kita terkena tumor
atau istilah lainnya adalah daging yang tumbuh dibagian mata. Oleh karena itu
apabila mata kita merasa tidak nyaman atau ada gangguan pada mata jangan
menganggap remeh, dan disarankan agar segera memeriksakannya ke dokter mata.
(Sidarta, 2009 )
2.2 Penyakit Mata
Menurut Sidarta (2009) ada beberapa penyakit mata yang dapat diderita oleh
manusia diantaranya penyakit mata konjungtivitis, keratitis, dan glaukoma.
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
7
a. Konjungtivitis
Konjungtivitis merupakan radang konjungtiva atau radang selaput
lendir yang menutupi belakang kelopak mata dan bola mata. Konjungtivitis dapat
disebabkan bakteri, virus , jamur, alergi atau iritasi dengan bahan – bahan kima.
Gejala umum penyakit mata konjungtivitis diantaranya gatal pada mata, mata
berair, mata merah dan belekan.
b. Keratitis
Penyakit ini disebabkan radang kornea. Keratitis dapat disebabkan
oleh berbagai hal. Seperti kurangnya air mata, keracunan obat dan reaksi alergi
tropikal.. Keratitis akan memberikan gejala mata merah, rasa sakit dan silau serta
merasa
keilipan.
Jika
tidak
ditangani
dengan
tepat
keratitis
dapat
mengakibatakan kebutaan karena radang pada kornea yang parah.
c. Glaukoma
Glaukoma berasal dari kata yunani galukos yang berwarna hijau kebiruan, yang
memberikan kesan warna tersebut pada pupil penderita glaukoma. Kelainan mata
glukoma di tandai dengan gejala umum nyeri pada mata, penglihatan menurun,
sakit kepala, terasa mual dan muntah, terlihat warna pelangi, mata merah.
meningkatnya tekanan bola mata, atrofi pupil syaraf optik, dan menciutnya
lapang pandang. penyakit ini ditandai dengan peninggian tekanan intraocular
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
8
yang disebabkan
1. Bertambahnya cairan mata oleh badan siliar.
2. Berkurangnya pengeluaran cairan mata di daerah sudut balik mata
atau celah pupil.
Pada glaukoma akan terjadi pelemahan fungsi mata dengan terjadinya cacat
lapangan pandang dan kerusakan anatomi berupa ekskavasi serta degenerasi
pupil saraf optik, yang dapat berakhir dengan kebutaan.
2.3 Konsep Logika Fuzzy
Logika fuzzy merupakan salah satu komponen pembentuk soft computing.
Logika fuzzy pertama kali diperkenalkan oleh Prof. Lofti Zadeh pada tahun 1965,
seorang profesor di Universitas of California di Barkeley. Dasar logika fuzzy adalah
teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat keanggotaan
sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai
keanggotaan atau derajat keanggotaan atau membership function menjadi ciri utama
dari penalaran dengan logika fuzzy tersebut (Kusumadewi dan Purnomo 2010).
Logika fuzzy merupakan generalisasi dari logika klasik yang hanya memiliki
dua nilai keanggotaan, yaitu 0 dan 1.
(Arhami,2005)
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
9
2.4 Variabel Fuzzy
Variabel fuzzy merupakan variabel yang hendak dibahas dalam suatu sistem
fuzzy. Contoh: Umur, Temperatur, Permintaan, Persediaan, Produksi, dan
sebagainya.
( Kusumadewi, 2004)
2.5 Variabel Linguistik
Variabel linguistik adalah sebuah variabel yang memiliki nilai berupa katakata dalam bahasa alamiah bukan angka. Contoh : Jika “kecepatan” adalah variabel
linguistik, maka nilai linguistik untuk variabel kecepatan adalah, misalnya “lambat”,
“sedang”, “cepat”. Hal ini sesuai dengan kebiasaan manusia sehari-hari dalam
menilai sesuatu, misalnya: “Ia mengendarai mobil dengan cepat”, tanpa memberikan
nilai berapa kecepatannya.
(Kusumadewi dan Purnomo 2010)
2.6 Semesta Pembicaraan
Semesta pembicaraan adalah keseluruhan nilai yang diperbolehkan untuk
dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan
bilangan real yang senantiasa naik (bertambah) secara monoton dari kiri ke kanan.
Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. Adakalanya
nilai semesta pembicaraan ini tidak dibatasi batas atasnya. Contoh semesta
pembicaraan dari variable umur adalah 0 ≤ umur < +∞. Dalam hal ini, nilai yang
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
10
diperbolehkan untuk dioperasikan dalam variabel umur adalah lebih besar dari atau
sama dengan 0, atau kurang dari positif tak hingga.
(Kusumadewi,2004)
2.7 Himpunan Fuzzy
Himpunan fuzzy merupakan suatu himpunan yang mewakili suatu kondisi
atau keadaan tertentu dalam suatu variabel linguistik. Misalkan X = kecepatan adalah
variable linguistik. Maka dapat didefinisikan himpunan fuzzy kecepatan “lambat”,
“sedang”, dan “cepat”. (Jang et al,1997).
Sebuah himpunan fuzzy adalah himpunan dengan derajat keanggotaan yang
kontinu. Dimana himpunan tersebut ditetapkan / ditandai oleh fungsi keanggotaan
dengan derajat keanggotaan berkisar antara nol dan satu.
(Zadeh et al,1996)
2.8 Domain
Domain adalah keseluruhan nilai yang diijinkan dalam semesta pembicaraan
dan boleh dioperasikan dalam suatu himpunan fuzzy. Seperti halnya semesta
pembicaraan, domain merupakan himpunan bilangan real yang senantiasa naik
(bertambah) secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan
positif maupun negatif.
(Kusumadewi,2004)
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
11
2.9 Fungsi Keanggotaan
Fungsi keanggotaan adalah kurva yang mendefinisikan bagaimana masing masing titik dalam domain dipetakan ke dalam nilai keanggotaan (derajat
keanggotaan) antara 0 dan 1. Derajat keanggotaan suatu item x dalam suatu himpunan
A, ditulis dengan µ A(x). Fungsi keanggotaan dari himpunan A memetakan elemen x
dari himpunan semesta X, ke sebuah bilangan µ A(x), yang menentukan derajat
keanggotaan dari elemen dalam himpunan fuzzy A
(2.1)
Cara yang dapat digunakan untuk mendapatkan derajat keanggotaan adalah melalui
pendekatan fungsi (Arhami, 2005). Ada
Beberapa fungsi yang dapat digunakan antara lain :
a) Representasi Linier
Ada 2 keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan
dimulai pada nilai domain yang memiliki derajat keanggotaan nol(0) bergerak ke
kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
12
Gambar 2.1 Representasi linear naik
Fungsi keanggotaan :
(2.2)
Kedua, merupakan kebalikan yang pertama, garis lurus dimulai dari nilai domain
derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai
domain yang memiliki derajat keanggotaan lebih rendah.
Gambar 2.2 Representasi linear turun
Fungsi keanggotaan :
(2.3)
(Kusumadewi dan Purnomo, 2010)
b) Representasi Kurva segitiga.
Kurva Segitiga pada dasarnya merupakan gabungan antara 2 garis (linear).
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
13
Gambar 2.3 Representasi kurva segitiga
Fungsi Keanggotaan :
(2.4)
(Kusumadewi dan Purnomo, 2010)
c) Representasi Kurva Trapesium
Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa
titik yang memiliki nilai keanggotaan 1 (Gambar 2.4).
Gambar 2.4 Representasi kurva trapesium
Fungsi keanggotaan
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
14
(2.5)
(Kusumadewi dan Purnomo ,2010)
2.10 Aturan Fuzzy
Aturan IF-THEN fuzzy adalah pernyataan IF-THEN dimana kata-kata dalam
pernyataan tersebut ditentukan oleh fungsi keanggotaan. Aturan fuzzy tersebut
dinyatakan sebagai berikut :
IF <proposisi fuzzy 1> THEN <proposisi fuzzy 2>
Bagian IF dari aturan, yaitu proposisi 1 dinamakan antecedent atau premis,
sedangkan bagian THEN dari aturan yaitu proposisi 2, dinamakan consequent atau
kesimpulan. Proposisi fuzzy adalah proposisi yang memiliki derajat kebenaran yang
dinyatakan oleh sebuah bilangan dalam interval [0,1], dimana benar dinyatakan oleh
nilai 1 dan salah dinyatakan oleh nilai 0.
(Klir dan Yuan ,1995)
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
15
2.11 Operasi Himpunan Fuzzy
Seperti halnya himpunan konvensional, ada beberapa operasi yang didefinisikan
secara khusus untuk mengkombinasi dan memodifikasi himpunan fuzzy. Nilai
keanggotaan sebagai hasil dari operasi himpunan fuzzy sering dikenal dengan nama
fire strength atau αpredikat. Ada 3 operator dasar yang diciptakan oleh Zadeh yaitu :
a). Operator AND
Operator ini berhubungan dengan operasi interseksi pada himpunan. αpredikat
sebagai hasil dengan operator AND diperoleh dengan mengambil nilai
keanggotaan terkecil antarelemen pada himpunan – himpunan yang bersangkutan.
= min( µA(x) , µB(y))
(2.6)
dengan
µA(x) = derajat keanggotaan elemen x dari himpunan A
µB(y) = derajat keanggotaan elemen y dari himpunan B
= αpredikat dari operasi AND himpunan A dengan Himpunan B
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
16
b). Operator OR
Operator ini berhubungan dengan operasi union pada himpunan. αpredikat sebagai
hasil operasi dengan operator OR diperoleh dengan mengambil nilai keanggotaan
terbesar antarelemen pada himpunan – himpunan yang bersangkutan.
= max ( µA(x) , µB(y))
(2.7)
dengan
µA(x) = derajat keanggotaan elemen x dari himpunan A
µB(y) = derajat keanggotaan elemen y dari himpunan B
= derajat keanggotaan dari operasi OR himpunan A dengan himpunan B
c). Operator NOT
Operator ini berhubungan dengan operasi komplemen pada himpunan αpredikat
sebagai hasil operasi dengan operator NOT diperoleh dari 1 dikurangi nilai
keanggotaan elemen pada himpunan yang bersangkutan.
µ A’ = 1 - µA(x)
(2.8)
dengan
µA(x) = derajat keanggotaan elemen x dari himpunan A
µB(y) = derajat keanggotaan elemen y dari himpunan B
µ A’
= derajat keanggotaan dari operasi NOR himpunan A dengan himpunan B.
(Kusumadewi dan Purnomo, 2010)
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
17
2.12
Fuzzy Inference System Metode Tsukamoto
Menurut Widhiastiwi (2007) fuzzy inference system merupakan proses
pengolahan data dalam bentuk crisp input yang melalui beberapa tahapan dalam
sistem fuzzy untuk menghasilkan data dalam bentuk crips output. Terdapat tiga
metode fuzzy inference system, yaitu : Mamdani, Sugeno dan Tsukamoto. Tahap fuzzy
inference system yang harus dilalui, yaitu :
a). Nilai input
Berupa masukan dalam bentuk nilai pasti (crisp).
b). fuzzyfikasi
Proses merubah crisp menjadi fuzzy menggunakan fungsi keanggotaan, setiap
variabel fuzzy dimodelkan ke dalam fungsi keanggotaan yang dipilih.
c). Aturan - aturan (rules)
Aturan-aturan yang akan dijadikan dasar untuk mencari nilai dari crisp output yang
akan dihasilkan.
d). defuzzyfikasi
Merupakan proses merubah crips input yang telah dijadikan fuzzy ke dalam
bentuk crisp output.
e). Nilai output
Merupakan hasil akhir yang dapat dipakai untuk pengambilan keputusan.
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
18
Pada metode Tsukamoto, implikasi setiap aturan berbentuk implikasi “SebabAkibat” (if–then) atau Implikasi “Input-Output” dimana antara anteseden dan
konsekuen harus ada hubungannya. Setiap aturan direpresentasikan menggunakan
himpunan-himpunan fuzzy, dengan fungsi keanggotaan yang monoton. Kemudian
untuk menentukan hasil tegas (Crisp Solution) digunakan rumus penegasan
(defuzzyfikasi) yang disebut “Metode rata-rata terpusat” atau “Metode defuzzyfikasi
rata-rata terpusat (Center Average Deffuzzyfier) (Setiadji, 2009).
Untuk lebih memahami metode Tsukamoto, perhatikan contoh berikut yang
diambil dari Kusumadewi (2004) Misalkan ada 2 variabel input, var-1(x) dan var-2
(x), serta variabel output, var-3(z), dimana var-1 terbagi atas 2 himpunan yaitu A1
dan A2. var-2 terbagi atas 2 himpunan B1 dan B2, var-3 juga terbagi atas 2 himpunan
yaitu C1 dan C2 (C1 dan C2 harus monoton). Ada 2 aturan yang digunakan, yaitu:
[R1] IF (x is A1) and (y is B2) THEN (z is C1)
[R2] IF (x is A2) and (y is B1) THEN (z is C2)
Pertama-tama dicari fungsi keanggotaan dari masing-masing himpunan fuzzy dari
setiap aturan, yaitu himpunan A1, B2 dan C1 dari aturan fuzzy [R1], dan himpunan
A2, B1 dan C2 dari aturan fuzzy [R2]. Aturan fuzzy R1 dan R2 dapat
direpresentasikan dalam Gambar 2.5 untuk mendapatkan suatu nilai crisp Z.
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
19
Gambar 2.5 Inferensi menggunakan metode Tsukamoto (Kusumadewi, 2004)
Pada metode Tsukamoto operasi himpunan yang digunakan adalah konjungsi
(AND). Menurut teori operasi himpunan pada persamaan 2.7, nillai keanggotaan
anteseden dari operasi konjungsi (AND) dari aturan fuzzy [R1] adalah nilai minimum
antara nilai keanggotaan A1 dari var-1 dan nilai keanggotaan B2 dari var-2 .
Demikian pula nilai keanggotaan anteseden dari aturan fuzzy [R2]
adalah nilai
minimum antara nilai keanggotaan A2 dari var-1 dengan nilai keanggotaan B1 dari
var-2. Selanjutnya, nilai keanggotaan anteseden dari aturan fuzzy [R1] dan [R2]
masing - masing disebut dengan αpredikat(1)dan αpredikat(2). Nilai αpredikat(1) dan
αpredikat(2) kemudian disubstitusikan pada fungsi keanggotaan himpunan C1 dan C2
sesuai aturan fuzzy [R1] dan [R2] untuk memperoleh nilai z(1) dan z(2), yaitu nilai z
untuk aturan fuzzy [R1] dan [R2]. Untuk memperoleh nilai output crisp atau nilai
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
20
tegas Z, dicari dengan metode defuzifikasi rata-rata terpusat (Center Average
Defuzzyfier) yang dirumuskan pada persamaan berikut
Z=
Keterangan :
(2.9)
Z = Nilai rata – rata terpusat
= bobot z ke-i
n = banyak αpredikat
2.13 Microsoft Visual Basic.NET
Microsoft Visual Basic.NET adalah sebuah alat untuk mengembangkan dan
membangun aplikasi yang bergerak di atas sistem .NET Framework, dengan
menggunakan bahasa BASIC. Dengan menggunakan alat ini, para programmer dapat
membangun aplikasi Windows Forms, Aplikasi web berbasis ASP.NET, dan juga
aplikasi command-line. Visual Basic .NET sendiri menganut paradigma bahasa
pemrograman berorientasi objek yang dapat dilihat sebagai evolusi dari Microsoft
Visual Basic versi sebelumnya yang diimplementasikan di atas .NET Framework.
(Yuswanto, 2006)
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi
ADLN - Perpustakaan Universitas Airlangga
21
2.14 Microsoft SQL Server
Microsoft SQL Server adalah server basis data yang secara fungsional adalah
proses atau aplikasi yang menyediakan layanan database. Database adalah kumpulan
file / table yang saling berelasi (berhubungan) yang disimpan dalam media
penyimpanan elektronik. Microsoft SQL Server menggunakan tipe dari database
yang disebut database relasional. Database relasional adalah database yang
digunakan pada data untuk mengatur dan mengorganisasikannya kedalam tabel.
Micrososft SQL Server mendukung beberapa tipe data yang berbeda, termasuk untuk
karakter, angka, tanggal dan uang.
(Marcus, 2004)
Skripsi
Diagnosa Penyakit Mata Dengan Fuzzy Inference System...
Firlandi, Debi